Módulo 5 - Técnicas de Programação II | Python

Projeto Final - História das Olimpíadas

Este projeto consiste em uma análise de dados históricos dos jogos olímpicos.

Utilize qualquer uma das bibliotecas estudadas (matplotlib, seaborn e plotly) para realizar as atividades propostas. Não há problema em usar apenas uma para realizar todas as atividades, nem em utilizar cada uma delas em uma atividade diferente - siga suas preferências pessoais!

Utilize os (muitos) parâmetros permitidos por cada função e/ou atributos dos objetos fornecidos pelas bibliotecas para criar uma identidade visual coesa para ser utilizada em todo o projeto. Use títulos, legendas e rótulos nos eixos para deixar os gráficos verdadeiramente informativos. E não se esqueça que a simples escolha das cores a serem utilizadas pode tornar os gráficos ainda mais interessantes!

Metadados:

O arquivo athlete_events.csv contém 271116 linhas e 15 colunas. Cada linha corresponde a um indivíduo (atleta) que competiu em um evento olímpico individual. Veja a descrição das 15 colunas, a seguir:

• ID: Valor único para cada atleta
• Name: Nome do atleta
• Sex: Gênero do atleta (M para masculino e F para feminino)
• Age: Idade do atleta no momento da competição
• Height: Altura do atleta, em centímetros
• Weight: Peso do atleta, em kg
• Team: Nome do time
• NOC: National Olympic Committee (código de 3 letras)
• Games: Ano e temporada dos jogos
• Year: Ano dos jogos
• Season: Temporada dos jogos (summer para verão e winter para inverno)
• City: Cidade em que ocorreu os jogos
• Sport: Esporte praticado pelo atleta
• Event: Categoria/modalidade da competição
• Medal: Medalha adquirida: Gold (ouro), Silver (prata), Bronze ou NA

import streamlit as st
import pandas as pd
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt
import plotly.express as px
import seaborn as sns
import squarify 

2022-02-22 21:05:25.028 INFO    numexpr.utils: NumExpr defaulting to 4 threads.

df = pd.read_csv('./data/athlete_events.csv')
df.head()

	ID	Name	Sex	Age	Height	Weight	Team	NOC	Games	Year	Season	City	Sport	Event	Medal
0	1	A Dijiang	M	24.0	180.0	80.0	China	CHN	1992 Summer	1992	Summer	Barcelona	Basketball	Basketball Men's Basketball	NaN
1	2	A Lamusi	M	23.0	170.0	60.0	China	CHN	2012 Summer	2012	Summer	London	Judo	Judo Men's Extra-Lightweight	NaN
2	3	Gunnar Nielsen Aaby	M	24.0	NaN	NaN	Denmark	DEN	1920 Summer	1920	Summer	Antwerpen	Football	Football Men's Football	NaN
3	4	Edgar Lindenau Aabye	M	34.0	NaN	NaN	Denmark/Sweden	DEN	1900 Summer	1900	Summer	Paris	Tug-Of-War	Tug-Of-War Men's Tug-Of-War	Gold
4	5	Christine Jacoba Aaftink	F	21.0	185.0	82.0	Netherlands	NED	1988 Winter	1988	Winter	Calgary	Speed Skating	Speed Skating Women's 500 metres	NaN

O Brasil nas olímpiadas

1. Crie um DataFrame contendo apenas informações sobre atletas brasileiros. Exiba a quantidade de linhas desse novo DataFrame.

df_BRA = df[df['NOC'] == 'BRA']

linhas = df_BRA.shape[0]
print(f'Existem {linhas} linhas para atletas brasileiros')

Existem 3848 linhas para atletas brasileiros

2. Será que existe alguma correlação entre a altura do atleta e seu desempenho, para algum esporte? Faça essa análise separadamente para cada gênero, e conclua.

Gere um ou mais gráficos de sua escolha, em que seja possível comparar as alturas dos atletas de cada esporte, separando-os por gênero. Se necessário, crie colunas ou DataFrames auxiliares.

Facilitador: se quiser, analise apenas os esportes em que se tenha ao menos 5 atletas medalhistas e 5 atletas não medalhistas, para facilitar visualizações e conclusões.

#altura = df_BRA[['Height']].fillna(df_BRA['Height'].sum()/df_BRA.shape[0]) #Criando variável "altura para receber os valores NaN trocados por zero

#df_BRA.drop(['Height'], axis=1, inplace=True) #Excluindo coluna "Height" da base original ainda com valores NaN

#df_BRA.insert(4, 'Height', altura) #Inserindo nova coluna "Height" com os valores NaN alterados no DataFrame

#Selecionando os esportes que possuem pelo menos 5 medalhas
df_BRA_medal = df_BRA.groupby(by=['Sport', 'Sex'])['Medal'].value_counts()
df_BRA_medal = df_BRA_medal.to_frame(name='Total Medals')
df_BRA_medal = df_BRA_medal.reset_index()

df_BRA_medal = df_BRA_medal.groupby(by=['Sport', 'Sex'])['Total Medals'].sum()
df_BRA_medal = df_BRA_medal.to_frame(name='Total Medals')>5
df_BRA_medal = df_BRA_medal.reset_index()
df_BRA_medal = df_BRA_medal[df_BRA_medal['Total Medals'] == True]
lista_esporte_5medal = df_BRA_medal['Sport']
lista_esporte_5medal = lista_esporte_5medal.unique()

df_BRA_5medal = df_BRA[df_BRA['Sport'].isin(lista_esporte_5medal)]

df_aux = df_BRA_5medal.copy()
df_aux["Medal"].fillna("NoMedal", inplace=True) #Substituindo NaN por NoMedal

df_male = pd.DataFrame(df_aux[df_aux['Sex'] == 'M']) #Criando dataframe masculino
df_female = pd.DataFrame(df_aux[df_aux['Sex'] == 'F']) #Criando dataframe feminino

df_female_medals = df_female[df_female["Medal"].isin(["Silver","Gold","Bronze"])] #Dataframe de medalhistas feminino
df_male_medals = df_male[df_male["Medal"].isin(["Silver","Gold","Bronze"])] #Dataframe de medalhistas masculino

df_female_nomedals = df_female[df_female["Medal"].isin(["NoMedal"])] #Dataframe de não medalhistas feminino
df_male_nomedals = df_male[df_male["Medal"].isin(["NoMedal"])] #Dataframe de não medalhistas masculino

#Criando dataframe com a média das alturas dos medalhistas
df_medal = pd.DataFrame(df_BRA_5medal.loc[df_BRA['Medal'].notnull()]) 
df_medal = round(df_medal.groupby(by=['Sport', 'Sex'])['Height'].mean(), 2) #Criando média de altura de medalhistas por esporte
df_medal = df_medal.to_frame(name='Average height')
df_medal = df_medal.reset_index()

#Criando dataframe com a média das alturas dos NÃO medalhistas
df_non_medals = pd.DataFrame(df_BRA_5medal.loc[df_BRA['Medal'].isna()]) #Criando dataframe com as colunas desejadas com as NÃO medalhistas
df_non_medals = round(df_non_medals.groupby(by=['Sport', 'Sex'])['Height'].mean(), 2) #Criando média de altura de medalhistas por esporte
df_non_medals = df_non_medals.to_frame(name='Average height')
df_non_medals = df_non_medals.reset_index()

#Unindo as duas tabelas (média das alturas dos medalhistas e dos não medalhistas)
df_height_medal = pd.merge(left=df_medal, right=df_non_medals, on=['Sport', 'Sex'], how='outer', suffixes=('_medal', '_nomedal'))

#DataFrame com a contagem de medalhas
sport_medal_height = df_BRA_5medal.groupby(by=['Sport','Height','Sex'])['Medal'].count()
df_sport_medal_height = sport_medal_height.reset_index()

legenda = {'Average height_medal' : 'Com medalha',
           'Average height_nomedal' : 'Sem medalha',
          }

fig1 = px.bar(df_height_medal[df_height_medal['Sex'] == 'F'], 
             x='Sport', 
             y=['Average height_medal', 'Average height_nomedal'], 
             barmode='group',
             color_discrete_sequence=px.colors.sequential.Magenta,
             template='plotly_white',
             width= 920, 
             height=480)

fig1.update_layout(title={'text': 'Média das alturas das mulheres por esporte',
                          'y':0.9,
                          'x':0.4,
                          'xanchor': 'center',
                          'yanchor': 'top'},
                   xaxis_title="Esporte",
                   yaxis_title="Média das alturas",
                   legend_title="Medalhas",
                   font_family="Arial",
                   font_color="gray",
                   title_font_color="gray",
                   legend_title_font_color="gray",
                  )

fig1.for_each_trace(lambda t: t.update(name = legenda[t.name],
                                       legendgroup = legenda[t.name],
                                       hovertemplate = t.hovertemplate.replace(t.name, legenda[t.name])
                                     )
                   )

fig1.show()

fig2 = px.bar(df_height_medal[df_height_medal['Sex'] == 'M'], 
             x='Sport', 
             y=['Average height_medal', 'Average height_nomedal'], 
             barmode='group',
             color_discrete_sequence=px.colors.sequential.Aggrnyl,
             template='plotly_white',
             width= 920, 
             height=480)

fig2.update_layout(title={'text': 'Média das alturas dos homens por esporte',
                          'y':0.9,
                          'x':0.4,
                          'xanchor': 'center',
                          'yanchor': 'top'},
                   xaxis_title="Esporte",
                   yaxis_title="Média das alturas",
                   legend_title="Medalhas",
                   font_family="Arial",
                   font_color="gray",
                   #title_font_family="Times New Roman",
                   title_font_color="gray",
                   legend_title_font_color="gray",
                  )

fig2.for_each_trace(lambda t: t.update(name = legenda[t.name],
                                       legendgroup = legenda[t.name],
                                       hovertemplate = t.hovertemplate.replace(t.name, legenda[t.name])
                                     )
                   )

fig2.show()

df_volley_female = df_sport_medal_height[(df_sport_medal_height['Sport'] == 'Volleyball') & 
                                         (df_sport_medal_height['Sex'] == 'F')]

sns.set_palette("pastel")

fig3, ax = plt.subplots()

ax = sns.kdeplot(df_volley_female[df_volley_female['Medal']==0]['Height'], label = "Sem medalhas")
ax = sns.kdeplot(df_volley_female[df_volley_female['Medal']!=0]['Height'], label = "Com medalhas")

ax.legend(title = 'Medalhas femininas')

plt.xlabel('Distribuição de alturas')
plt.ylabel('Probabilidade de densidade')
plt.show()

df_volley_male = df_sport_medal_height[(df_sport_medal_height['Sport'] == 'Volleyball') & 
                                       (df_sport_medal_height['Sex'] == 'M')]

fig4, ax1 = plt.subplots()

ax1 = sns.kdeplot(df_volley_male[df_volley_male['Medal']==0]['Height'], label = "Sem medalhas")
ax1 = sns.kdeplot(df_volley_male[df_volley_male['Medal']!=0]['Height'], label = "Com medalhas")

ax1.legend(title = 'Medalhas masculinas')

plt.xlabel('Distribuição de alturas')
plt.ylabel('Probabilidade de densidade')
plt.show()

3. Vamos analisar agora as medalhas que nossos atletas trouxeram para casa.

Crie uma visualização de sua preferência para mostrar, por esporte, a proporção de medalhas de ouro, prata e bronze que nosso país já consquistou.

Facilitador: Se preferir, mostre as proporções apenas para os 6 esportes que tiveram mais medalhas.

DICA: Cuidado! Esportes em equipe dão medalhas a todos os jogadores, mas só contabilizam uma vez!

#DF contendo as medalhas por esporte após retirar as medalhas repetidas dos esportes coletivos (mais de um jogador ganha a medalha pelo mesmo evento)
df_dropado = df_BRA[["Games", "Sport", "Event", "Medal"]].drop_duplicates()

df_get = pd.get_dummies(df_dropado, columns = ['Medal'])

df_get_2 = pd.pivot_table(df_get, values=['Medal_Bronze', "Medal_Silver", "Medal_Gold"], index=['Sport'], #margins = True,
                          aggfunc={'Medal_Bronze': np.sum,
                                   'Medal_Silver': np.sum,
                                   'Medal_Gold': np.sum,
                                   }).reset_index()

df_get_2['Medal_Bronze %'] = df_get_2['Medal_Bronze']/df_get_2['Medal_Bronze'].sum()
df_get_2['Medal_Silver %'] = df_get_2['Medal_Silver']/df_get_2['Medal_Silver'].sum()
df_get_2['Medal_Gold %'] = df_get_2['Medal_Gold']/df_get_2['Medal_Gold'].sum()

df_get_2['Medal_Bronze %'] = round(df_get_2['Medal_Bronze']/df_get_2['Medal_Bronze'].sum() * 100)
df_get_2['Medal_Silver %'] = round(df_get_2['Medal_Silver']/df_get_2['Medal_Silver'].sum() * 100)
df_get_2['Medal_Gold %'] = round(df_get_2['Medal_Gold']/df_get_2['Medal_Gold'].sum() * 100)

df_medal_proportion = df_get_2[(df_get_2['Medal_Bronze']+df_get_2['Medal_Gold']+df_get_2['Medal_Silver'])>5]
df_medal_bronze_proportion_ord = df_medal_proportion.sort_values(by=['Medal_Bronze %'])
df_medal_silver_proportion_ord = df_medal_proportion.sort_values(by=['Medal_Silver %'])
df_medal_gold_proportion_ord = df_medal_proportion.sort_values(by=['Medal_Gold %'])

list_medal = ['Medal_Bronze %', 'Medal_Silver %', 'Medal_Gold %']
df_medal_proportion.groupby(by='Sport')[list_medal].sum()

	Medal_Bronze %	Medal_Silver %	Medal_Gold %
Sport
Athletics	13.0	8.0	17.0
Beach Volleyball	5.0	19.0	10.0
Football	3.0	14.0	3.0
Judo	24.0	8.0	13.0
Sailing	13.0	8.0	23.0
Swimming	15.0	11.0	3.0
Volleyball	3.0	8.0	17.0

fig5 = px.pie(df_medal_bronze_proportion_ord[df_medal_bronze_proportion_ord["Medal_Bronze %"]!=0], 
             names="Sport", 
             values="Medal_Bronze %", 
             title="Proporção de medalhas de Bronze do Brasil nas Olimpíadas",
             #labels = labels,
             width = 600,
             height = 500,
             color_discrete_sequence=px.colors.sequential.Oryel)

fig5.update_layout(title_x=0.50,
                   legend_title="Esportes",
                   )

# legenda4 = {'Judo' : 'Judô',
#             'Swimming' : 'Natação',
#             'Athletics' : 'Atletismo',
#             'Sailing' : 'Navegação',
#             'Beach Volleyball' : 'Vôlei de praia',
#             'Football' : 'Futebol',
#             'Volleyball' : 'Vôlei'
#           }

# fig5.for_each_trace(lambda t: t.update(name = legenda4[t.name],
#                                        legendgroup = legenda4[t.name],
#                                        hovertemplate = t.hovertemplate.replace(t.name, legenda4[t.name])
#                                      )
#                    )
fig5.show()

fig6 = px.pie(df_medal_silver_proportion_ord[df_medal_silver_proportion_ord["Medal_Silver %"]!=0], 
             names="Sport", 
             values="Medal_Silver %", 
             title="Proporção de medalhas de Prata do Brasil nas Olimpíadas",
             #labels = labels,
             width = 600,
             height = 500,
             color_discrete_sequence=px.colors.sequential.Greys)              
fig6.show()

fig7 = px.pie(df_medal_gold_proportion_ord[df_medal_gold_proportion_ord["Medal_Silver %"]!=0], 
             names="Sport", values="Medal_Gold %", 
             title="Proporção de medalhas de Ouro nas Olimpiadas",
             #labels = labels,
             width = 600,
             height = 500,
             color_discrete_sequence=px.colors.sequential.turbid) 
fig7.show()

4. Para finalizar a história do Brasil, vamos ver a série temporal de medalhas brasileiras.

Crie um gráfico de sua escolha, que mostre o total de medalhas de ouro, prata e bronze, por edição da olimpíada (em ordem cronológica).

DICA: Mais uma vez, tome cuidado com os esportes em grupo - os contabilize apenas uma vez!

df_get_3 = pd.pivot_table(df_get, values=['Medal_Bronze', "Medal_Silver", "Medal_Gold"], index=['Games'],
                   aggfunc={'Medal_Bronze': np.sum,
                            'Medal_Silver': np.sum,
                            'Medal_Gold': np.sum
                           }).reset_index()

fig8 = px.area(df_get_3[(df_get_3['Medal_Bronze']!=0) | (df_get_3['Medal_Silver']!=0) | (df_get_3['Medal_Gold']!=0)], 
               x='Games', 
               y=['Medal_Bronze','Medal_Silver','Medal_Gold'], 
                  #color='Medals', 
               color_discrete_sequence=px.colors.sequential.Redor,
               title='Medalhas por olimpíadas',
               template='plotly_white',
               width= 1000, 
               height=600)

fig8.update_layout(title={'y':0.85,
                          'x':0.45,
                          'xanchor': 'center',
                          'yanchor': 'top'},
                   xaxis_title="Olimpíadas",
                   yaxis_title="Número de medalhas",
                   legend_title="Medalhas",
                   font_family="Arial",
                   font_color="gray",
                   title_font_color="gray",
                   legend_title_font_color="gray",
                  )

legenda2 = {'Medal_Bronze' : 'Medalha de Bronze',
            'Medal_Silver' : 'Medalha de Prata',
            'Medal_Gold' : 'Medalha de Ouro'
}

fig8.for_each_trace(lambda t: t.update(name = legenda2[t.name],
                                       legendgroup = legenda2[t.name],
                                       hovertemplate = t.hovertemplate.replace(t.name, legenda2[t.name])
                                     )
                   )

fig8.show()

5. Agora é com vocês!

Escolha uma análise visual que julga interessante de fazer neste conjunto de dados, faça o(s) gráficos(s) necessários e comente os resultados.

#10 maiores medalhistas de todos os tempos
df_name_medal = df.groupby(by=['Name', 'Sport'])['Medal'].count().reset_index()
df_name_medal.nlargest(10,'Medal')

	Name	Sport	Medal
87965	Michael Fred Phelps, II	Swimming	28
74150	Larysa Semenivna Latynina (Diriy-)	Gymnastics	18
95032	Nikolay Yefimovich Andrianov	Gymnastics	15
16391	Borys Anfiyanovych Shakhlin	Gymnastics	13
29842	Edoardo Mangiarotti	Fencing	13
96448	Ole Einar Bjrndalen	Biathlon	13
120310	Takashi Ono	Gymnastics	13
4028	Aleksey Yuryevich Nemov	Gymnastics	12
15562	Birgit Fischer-Schmidt	Canoeing	12
25178	Dara Grace Torres (-Hoffman, -Minas)	Swimming	12

fig9 = px.bar(data_frame = df_name_medal.nlargest(10,'Medal'), 
              x = 'Name', 
              y = 'Medal',
              color = 'Sport', 
              template='plotly_white',
              color_discrete_sequence=px.colors.sequential.Electric,
              title = 'Maiores medalhistas olímpicos',
              width= 920, 
              height=500)

fig9.update_layout(title={'y':0.85,
                          'x':0.45,
                          'xanchor': 'center',
                          'yanchor': 'top'},
                   # xaxis_visible=False, 
                   #xaxis_showticklabels=False,
                   xaxis_title="",
                   yaxis_title="Número de medalhas",
                   legend_title="Esportes",
                   font_family="Arial",
                   font_color="gray",
                   title_font_color="gray",
                   legend_title_font_color="gray",
                  )

legenda3 = {'Swimming' : 'Natação',
            'Gymnastics' : 'Ginástica olímpica',
            'Fencing' : 'Esgrima',
            'Biathlon' : 'Biatlo',
            'Canoeing' : 'Canoagem'
          }

fig9.for_each_trace(lambda t: t.update(name = legenda3[t.name],
                                       legendgroup = legenda3[t.name],
                                       hovertemplate = t.hovertemplate.replace(t.name, legenda3[t.name])
                                     )
                   )

fig9.show()